|
随着企业竞相利用快速演变的最新技术，工业物联网时代已然来临。数字孪生体是这个行业中的最新概念，其可将工业资产设备的数字和运行数据与软件平台、仿真和分析技术相结合，从而有助于了解现在和未来的运行情况。这不仅可改善输出，降低成本，加速创新，而且最终还能实现一款价值远远超过产品的解决方案，这正是行业所需的结果。下面将挑选三家比较有代表性的数字孪生公司向大家做简单介绍。 01 微软 Azure 数字孪生是一种 Azure IoT 服务，可提供物理环境及相关设备、传感器和人员的全面虚拟呈现形式。它通过将特定于域的概念组织成有用的模型来改进开发。此后，这些模型位于空间智能图中。此类概念可如实地为人员、空间和设备之间的关系和交互进行建模。数字孪生对象模型介绍了特定于域的概念、类别和属性。模型是由希望根据其特定需求定制解决方案的用户预定义的。这些预定义的数字孪生对象模型共同构成“本体”。智能建筑物的本体可描述地区、场所、楼层、办公室、区域、会议室和电话间。能源网格本体可描述各种发电站、变电站、能源资源和客户。利用数字孪生对象模型和本体，可自定义各种场景和需求。准备好数字孪生对象模型和本体后，便可以填充空间图。空间图是与 IoT 解决方案相关的空间、设备和人员之间的多种关系的虚拟呈现形式。  使用智能建筑物本体的空间图示例 ★ Azure数字孪生的六项重要功能 ★ 1.空间智能图 空间智能图或智能图是物理环境的虚拟表示形式，用于对人员、地点和设备之间的关系建模。 2. 数字孪生对象模型 数字孪生对象模型是预定义的设备协议和数据架构，可以满足解决方案的特定于域的需求，加快并简化开发过程。 3.多个嵌套式租户 可以生成能够安全地缩放并重用于多个租户的解决方案。也可创建多个子租户，这些子租户可以通过独立且安全的方式进行访问和使用。 4. 高级计算功能 可以通过用户定义函数针对传入的设备数据定义并运行自定义函数，以便向预定义的终结点发送信号。此高级功能改进设备任务的自定义和自动化。 5.内置访问控制 访问和标识管理功能（例如基于角色的访问控制和Azure Active Directory）可以用来安全地控制人员和设备的访问。 6.生态系统 可以将一个 Azure 数字孪生实例连接到多个强大的 Azure 服务。这些服务包括 Azure 流分析、Azure AI、Azure 存储，另外还包括 Azure Maps、Microsoft 混合现实、Dynamics 365 或 Office 365。 02 达索 达索系统的Digital Twin概念注重在第一步就准确建立复杂产品，由于达索在航空业的起源和优势，这一优先考虑是可以理解的。达索集团CEO Charlès认为产品的评估方式是关键。要恰当评估一个产品，其所有的产品特点和产品行为都要进行展现、建模、模拟、和可视化。这些能力总结起来就很好的概括了达索3D体验平台的功能。在达索看来，不论是航空客机、人工心脏或是一整座城市，都可以认为是一种复杂产品。 1 基于数字孪生的3D体验平台 达索系统将3D打印平台视为一个可实现虚实融合并与之相交互的平台，并期望此平台未来在十二个不同行业进行应用，包括航空业、矿业、人类科学、城市规划等。在处理这些行业的巨型问题方面，这家法国CAD/PLM公司的优势在于，达索对各种领域的建模、仿真、可视化、数据管理、供应链管理与一体化都十分擅长。达索通过收购和开发重要技术为各行业客户进行服务，在此过程中也收获了一些具有极复杂问题的大型客户，并为这些客户增加了大量的供应商网络。 2 达索公司最新合作项目 2019年3月4日，达索系统与ABB宣布建立全球合作伙伴关系，为数字化工业客户提供独特的、从产品生命周期管理到资产健康的软件解决方案组合。这两家公司将为客户提供先进的端到端开放式数字解决方案，提高工业企业的竞争力，同时提高产品的生命周期、制造和运营的灵活性、速度和生产力。达索系统与11个行业中各种规模的企业合作，帮助他们应对当今工业复兴时代中出现的新挑战。3D EXPERIENCE平台利用知识和专业技术将所有技术和功能集成到一个统一的数字化创新环境中，实现从概念、生产制造直至交付使用、废弃回收的产品全生命周期的数字连续性。工业企业能集成该平台的3D应用，创建数字孪生，从整个生态系统获取洞察力和专业知识，从而测量、评估和预测工业资产的表现，并以智能方式帮助企业优化自身运营。 03 ANSYS 得益于PTC和ANSYS今天共同宣布的一款解决方案，在PTC ThingWorx®工业物联网平台上构建的应用能够快速添加ANSYS工程仿真技术。两大技术平台之间建立联系，有助于客户将原始数据转变为可采取行动的新型智能信息。二者之间的互联将智能数字仿真模型和存在于现实世界的产品充分整合。这将为企业创造价值带来全新的机遇，能帮助企业优化运营和维护，并将其整合到产品研发进程中。ANSYS可为实现数字孪生体提供整套工具，以交付能够为运营带来真正影响的准确、深刻和可靠的结果，从而增加产出、缩短停工时间和延长使用寿命。通过使用仿真了解现实世界中的产品行为，新一代产品不仅能显著提升性能，同时还可加快上市进程。  ANSYS平台的特点  1.系统级支持 ANSYS Simplorer系统级建模工具支持构建出数字孪生体，从而准确地描述组件、子装配体与子系统之间错综复杂的相互作用。工程师可根据需求对模型中子系统的保真度级别进行定义，范围从高级行为模型到基于物理场的详细仿真模型，一应俱全。系统级模型的子系统和组件通常由降阶模型组成，即3D物理场模型的紧凑表示形式，它不仅能准确地表达物理场，同时还能以更短的时间提供结果。 2.基于物理场的仿真 使用基于物理场的模型能够细节入微地复制复杂机器的工作情况，这样即便是在面临前所未有的情况时也能全面了解它们的性能，从而实现数字孪生体的全部潜力。数字孪生体通常包含一个仿真模型，不仅可用于复制机器的工作情况，同时还能够分析基础物理场以预测机器的性能表现，从而诊断未曾预见的状况。其应包含一个研发用于复制产品或流程的当前状况的仿真模型。 3.控制系统 ANSYS SCADE使用和真实物理机器上所用的相同的控制软件和人机界面(HMI)，来控制数字孪生体和研发HMI。然后，工程师可在数字孪生体上对不同的场景或工作条件进行虚拟测试，并使用与控制物理设备所用的相同接口来查看设备的性能表现。 4.完整技术平台 ANSYS提供的高级平台可集成众多不同的仿真工具，以用于改善数字孪生体体验。ANSYS Engineering Knowledge Manager (EKM)是重要的工具之一，其可显著简化将多个数字孪生体连接至IoT的流程。此外，ANSYS仿真技术平台还包含ANSYS DesignXplorer，其不仅可用于探索众多条件或几何变量，同时还能快速评估各种工作条件，从而帮助工程师确定可交付最佳性能的条件。工程师能离线使用DesignXplorer，为解决问题找出最佳解决方案，然后将其实施到工作中的机器设备上。  采用ANSYS SCADE为化学工艺设备研发的人机界面 5.集成数字孪生体生态系统 ANSYS仿真平台已经过验证，能够与多种常见的物联网平台协同使用，例如PTC的ThingWorx®和通用电气公司的Predix®等。例如，ANSYS与PTC通力合作，共同演示如何利用运行的泵机的仿真模型比常规试错法更快地诊断和解决运行问题。长期以来，工程师通过评估复杂物理场的方法将仿真用于改进几乎每一种物理产品或流程，而通过物理测试则无法完全理解错综复杂的物理场。ANSYS是唯一一家拥有一整套仿真解决方案的公司，其解决方案包括平台、知识储备广博而精深的可信赖的物理场以及卓越的系统功能性。ANSYS仿真解决方案可帮助工程师借助数字孪生体获得更深入的洞察力。当工程仿真与数字孪生体整合在一起时，不仅能帮助企业分析和优化现实工作条件下的产品性能，而且还能对未来的性能做出准确的预测，从而提升产品运行和生产力，同时降低计划外停工导致的成本与风险。 6.ANSYS Twin Builder ANSYS Twin Builder是唯一一款针对数字孪生体的产品软件包，能帮助工程师快速构建、验证和部署物理产品的数字化表示形式。这款开放式解决方案可以集成任何IIoT平台，并且包含运行时部署功能，从而能够在运行过程中持续监控所用的每台资产设备。在ANSYS Twin Builder的支持下，工业资产的连接功能与整体系统仿真充分结合，能帮助客户开展诊断和故障排除工作，确定理想的维护程序，优化每个资产设备的性能，并获得极富洞察力的数据，从而改进新一代产品。  从综合的组件级设计与仿真一直到整个系统的仿真，ANSYS都能实现基于仿真的数字孪生体。 04 数字孪生技术目前所面对的难题 数字孪生引入国内仅仅几年时间，目前处于初步探索与实践环节，距离广泛应用还有很长的路要走；目前数字孪生技术还面临着诸多难题，主要可分为三类：一是高仿真度， 高保真度的仿真建模是构建数字孪生体系的关键，数字孪生作为物理实体在数字空间的超写实动态模型，产品虚拟模型的高精度性、多物理场建模、高保真度响应模拟等是首要解决的技术难题。二是数据收集 ，由于数字孪生技术的应用以海量数据为基础，并且是基于全要素、全生命周期的数据，而有关这些数据所涉及的先进传感器技术、自适应感知、精确控制与执行技术等难题急需攻关。三是实时监测与健康预测技术也尚待完善 ，实时和预测是数字孪生的核心要素，一方面物理产品的数据动态实时反映在数字孪生体系中，另一方面，数字孪生基于感知的大数据进行分析决策，进而控制物理产品，而其中离不开相应的高实时性数据交互、高置信度仿真预测、超级计算能力等技术能力。此外，新的设计检验方法仍需进一步探索，使物理模式的实验结果更准确、更接近真实的工况，为数字孪生体的推演提供可靠的数据支撑。 |
|
|
